我們先來解釋一下聲源定位技術的原理，知其然進而知其所以然。

在實際應用中，聲源定位的方法眾多，本文僅指透過陣列波束形成被動聲源定位。對於大部分基於波束形成的聲源定位系統，其實現流程一般都有如下所示的幾個步驟：

聲源定位流程

在聲源定位流程中，計算出陣列的波束圖之後，一般還有兩步：

1)尋找波束峰值——也就是搜尋主瓣的峰值，因為主瓣（最高的小山峰）峰值此時對應的空間角度是聲源的方向，可以從而獲得聲源方向資訊。

2)空間位置對映——計算出來聲源方向後，根據陣列的已知位置資訊進行空間對映即可計算出聲源的相對位置。

可以看出，整個聲源定位的核心步驟是前兩步，因為主瓣所對應的空間角度的準確性直接決定了聲源定位系統的精度。正向我們前面所說的，主瓣寬度越窄，相對旁瓣越高，此時定位的精度則越高，抗干擾性越強。

正是基於這個道理，我們常見的聲源定位系統的陣型一般都會選擇大孔徑的均勻陣，這是提升聲源定位系統精度最簡單粗暴的方法，因為這樣合成的波束主瓣又高又窄。因此在常見的聲源定位系統中，主瓣寬度（3dB寬度）往往會被作為很重要的系統指標。

下圖展示了日常生活中的幾種聲源定位系統，可以看出這些系統大多采用簡單粗暴的均勻線列陣或是平面陣，而且尺寸都比較大（潛艇的舷側陣聲吶可長達數十米）。

總之，陣元個數越多，陣元間距越大，陣列孔徑越大，此時陣列的聲源定位效能越好。

在日常中，從手機、電腦、音響裝置到自動駕駛、智慧製造、航空航天等眾多領域都有很廣泛的應用。

聲源定位技術根據水平和垂直兩個方向，及不同場景要求，可分為麥克風陣列和聲探頭兩大類。

其中，麥克風陣列是聲源定位最常用的技術。它是由幾個到上千個感測器，按照一定規則整合陣列，同步採集聲源訊號，使用時間到達差(TDDA)、波束形成、聲全息等技術計算聲強、聲壓等聲學引數的空間分佈值進行聲源定位。

提高定位結果準確性目前主要採用兩種方法：

一、多維、多形狀麥克風系統整合陣列，是應用較多的技術。

它多個陣列同時工作，使各項效能指標得到較好均衡，對不同範圍、方向、距離的聲源、聲壓和聲強進行識別拾音、比較，自動分析、判別各聲源的方向性和信噪比，從而掌握各聲源位置及分佈狀況、性質、強弱大小，以致達到自動定位聲源的精準效果。還可同時提供以陣列為中心的各聲源可視雲圖。

二、基於新深度的卷積神經網路聲源識別框架。

它可對各種場景的多個聲源實時自動定位。對收集的訊號進行加權演算法，在聲源的訊號方向上形成拾音波束，利用A·L演算法和自適應濾波的方法消除噪聲干擾，定向拾取聲源訊號，使得聲源定位精準、清晰，準確率達98%。在語音識別、自動翻譯、會議記錄、轉寫等方面有較多應用，可大幅提升工作效率。

三、計算機的應用、使聲源定位技術向智慧化方向發展。

用計算機進行聲源波束形成、聲源訊號處理、聲源目標的識別跟蹤、系統控制、聲壓聲強效能監測等技術日益進步，也會使聲源定位更加精準。

隨著第5代(人工智慧計算機)問世，聲源定位技術也正在向智慧化方向發展。

神經網路研究的方興未艾和取得令人矚目的成就，與計算機技術和聲源訊號處理技術相結合的方式將更加多樣、內容更加豐富，使聲源定位精準可透過智慧化來實現，在社會各領域發揮更大的影響和作用。